基于粒子群優化的快速knn分類算法_第1頁
基于粒子群優化的快速knn分類算法_第2頁
基于粒子群優化的快速knn分類算法_第3頁
基于粒子群優化的快速knn分類算法_第4頁
基于粒子群優化的快速knn分類算法_第5頁
已閱讀5頁，還剩9頁未讀， 繼續免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

基于粒子群優化的

快速KNN分類算法張景祥濟南大學計算機工程學院計算機專業英語教程科技英語,專業英語,IT英語特點：詞匯、術語、專用語

北京石油化工學院

張國英沙蕓江慧娜

主要內容1論文背景與意義2ｋ近鄰分類文本分類算法

3粒子群優化算法

4基于粒子群算法的K近鄰分類算法

5

實驗結果1論文背景與意義基于機器學習的文本分類過程，與智能優化技術結合，對于龐大的文檔集合分類，利于提高分類的速度和精度。智能優化應該作為文本分類的重要一環。2ｋ近鄰分類文本分類算法

①計算測試文本X的特征項權重，文檔特征向量w=[w1,w2,…,wM];②對訓練集中的任一文本Xj，生成文檔向量wj=[wj,1,wj,2,…,wj,M]；③計算訓練文本集樣本與測試文本的相似度，選出與測試文本最相似的k個文本；④在新文本的k個近鄰中，依次計算每類的權重

⑤

比較類的權重，將文本分到權重最大的類CI中。3粒子群優化算法PSO粒子群優化算法是群體智能優化方法使用并行和結構化策略，隨機但有指導性地加強高維空間的搜索能力。所搜索的目標空間點有最小的適應度函數值具有全局搜索和快速收斂的特點PSO種群中任一粒子i的移動速度PSO種群中任一粒子i的位置3粒子群優化算法

4基于PSO的K近鄰分類算法文檔分類的訓練樣本集規模很大KNN方法窮盡搜索整個樣本空間的代價很大粒子群算法群體的隨機搜索能力，群體利用與其k個隨機樣本距離最近的粒子信息指導種群粒子的移動，在很小的搜索空間內快速獲得k個近鄰樣本。輸入：文檔集合文檔總數N，近鄰個數k，粒子群種群個數Q，誤差閾值ε。(1)生成測試文檔的文檔特征向量w；(2)用隨機函數在區間[1,N]內為Q個粒子各選擇出k個整數（對應文檔集合的文檔序號）作為每個粒子的初始k個近鄰位置，粒子群的初始速度為0；(3)計算w的k個最優近鄰有序集合作為粒子群的全局最優位置，各粒子的位置先作為其局部最優位置。(4)置n=n+1，計算每個粒子的移動速度(即其k個近鄰的序號偏移量)

(5)從種群移動歷史中選擇w的k個最優近鄰有序集合作為全局指導，If，則；從粒子j的移動歷史中選擇其k個最優近鄰有序集合作為局部指導。(6)根據計算有序集合和與測試文檔X的相似度和，如果算法停止，輸出集合作為測試文檔X的k個近鄰。5實驗結果KNN算法的參數包括k近鄰的選擇，本文分別對k＝25和k＝35進行了實驗,特征維數分別為50和100。表1特征向量維數為100時的結果算法k=35k=25誤分率時間(s)誤分率

時間(s)KNN7515775140PSOKNN75487543算法

k=35k=25誤分率時間(s)

誤分率

時間(s)

KNN70.210770.2101PSOKNN70.23170.229表2特征向量維數為50時的結果當特征向量的維數是100時，相對算法KNN的分類時間而言，本文算法P

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論